RLAMA vs Galactica

RLAMA constrói sistemas RAG locais e equipes multiagentes a partir do seu terminal no macOS, Linux ou Windows. Você indexa pastas de PDFs, arquivos Markdown e de código, e depois os consulta por meio dos modelos Ollama, OpenAI ou Hugging Face sem enviar dados para servidores externos. O projeto open-source também inclui um construtor visual de RAG em rlama.dev.

A maioria das ferramentas RAG para na pergunta e resposta de documentos. RLAMA adiciona papéis de agentes, conexão de ferramentas e fluxos de trabalho de equipes para que uma sessão de terminal possa encadear pesquisadores, escritores e programadores em etapas sequenciais ou paralelas. A observação de diretórios mantém os índices RAG atualizados quando os arquivos mudam, e uma API HTTP expõe os mesmos sistemas para outros aplicativos.

Desenvolvedores que constroem bases de conhecimento privadas, equipes de pesquisa que indexam artigos e engenheiros que desejam busca offline em documentos usam RLAMA para embeddings e fragmentação locais. Os mantenedores do projeto informam que o desenvolvimento ativo está pausado, mas a CLI open-source e a documentação continuam disponíveis para instalação.

Cinco checkpoints de pesos abertos de 125M a 120B parâmetros oferecem aos pesquisadores um modelo de linguagem treinado em ciência, construído a partir de 106 bilhões de tokens selecionados em 48 milhões de artigos, livros didáticos, enciclopédias e bases de conhecimento. Galactica armazena, combina e raciocina através de modalidades incluindo LaTeX, código Python, fórmulas SMILES e sequências de aminoácidos dentro de uma arquitetura Transformer apenas com decodificador. A equipe Papers with Code da Meta disponibilizou os pesos para pesquisadores que desejam estudar como modelos de linguagem organizam o conhecimento científico.

Modelos de linguagem geral treinam em amplas varreduras da web onde conversas sociais podem dominar o orçamento de tokens. Galactica usou apenas fontes científicas de acesso aberto selecionadas, o que o artigo argumenta permitir treinar por múltiplas épocas sem overfitting. A Meta removeu a demonstração pública na web três dias após o lançamento em novembro de 2022, quando críticos mostraram citações e equações confiantes, porém fabricadas, então hoje você baixa checkpoints do Hugging Face em vez de conversar por uma interface hospedada.

Pesquisadores de aprendizado de máquina podem reproduzir números de benchmark do artigo do arXiv, incluindo 77,6% no PubMedQA e 52,9% no MedMCQA dev. Biólogos computacionais e químicos podem testar tarefas de anotação de proteínas e moléculas através dos tokens especializados do Galactica para sequências de aminoácidos e strings SMILES. Estudantes de pós-graduação explorando QA científico, predição de citações ou problemas matemáticos em texto podem experimentar tamanhos de até 120 bilhões de parâmetros sem treinar do zero.